في مؤتمر PyTorch أمريكا الشمالية 2026 في سان خوسيه، أطلقت جوجل وميتا TorchTPU مفتوح المصدر، وهو واجهة خلفية أصلية لـ PyTorch لوحدات معالجة الموتر (TPUs) من جوجل.
ما هو TorchTPU وماذا يقدم؟
وكتبت جوجل كلاود في إعلانها، الذي شارك في تأليفه بيل جيا، نائب رئيس الهندسة للتعلم الآلي/الذكاء الاصطناعي الأساسي، أن "مع TorchTPU، تنضم وحدات TPU إلى وحدات معالجة الرسوميات (GPUs) ووحدات المعالجة المركزية (CPUs) كخيار أصلي لـ PyTorch".
قدم جيا الكلمة الرئيسية "قابلية تبادل أعباء العمل في العصر الوكيلي: جلب PyTorch الأصلي إلى وحدات TPU السحابية" مع تشو، بعد حديثين أطرا الطلب. وقال مارك كولير، المدير التنفيذي لمؤسسة PyTorch، إن الاستدلال قد تجاوز التدريب كأكبر عبء عمل في مراكز البيانات، مما يخلق "جوعًا لا يصدق للرموز". ووصف كولير هدف المجتمع بأنه برمجيات مفتوحة المصدر للنماذج التي "تعمل على أي شريحة في أي سحابة وتتصل بأي وكيل". وأظهرت شرائح الكلمة الرئيسية للمؤسسة مدى سرعة تحرك هذا السوق: أصبح نموذج Flash من DeepSeek أرخص بنسبة 60% في 37 يومًا، وعمل Kimi K3 أسرع بنسبة 68% على نفس الأجهزة في 33 يومًا.
وقال مازن جيلبرت، المدير التنفيذي لمؤسسة Agentic AI، إن استهلاك الرموز من قبل الوكلاء تجاوز استهلاك البشر في 6 فبراير 2026. وقد نما منذ ذلك الحين 14 ضعفًا، مقابل 2.8 ضعفًا للبشر. وقال جيلبرت: "إذن هذا في الأساس منحنى عصا الهوكي الذي ينفجر". ويجب على الممارسين التحقق من النطاق قبل إعادة استخدام هذه الأرقام، لأن البيانات العامة تأتي من منصة واحدة، OpenRouter.
ولأن TorchTPU يتصل بموزع PyTorch منخفض المستوى، ذكر المتحدثون أن نماذج Hugging Face عملت معه مباشرة. تعمل محركات الاستدلال vLLM وSGLang بشكل أصلي، ويدعم TorchTitan النماذج الكثيفة، ونماذج مزيج الخبراء، ونماذج الانتشار للتدريب على نطاق واسع. يقوم Ray وllm-d بتوسيع نطاق أعباء عمل TPU عبر المضيفين على Kubernetes. تم إطلاق أربعة مستودعات مفتوحة المصدر: TorchTPU، وvLLM-TorchTPU، وSGLang-TorchTPU، وTorchTitan.
أظهر جيا توسعًا شبه خطي يتجاوز 8,000 شريحة TPU، مع بقاء الإنتاجية لكل شريحة ثابتة تقريبًا مع نمو المجموعة. تتضمن النتائج المنشورة من جوجل تشغيل نموذج Qwen3 235B لمزيج الخبراء على 8,192 شريحة TPU v7x بنسبة استخدام FLOPs للنموذج تبلغ 28%. الإعلان صريح بأن التغيير المكون من سطر واحد هو مجرد نقطة بداية:
"لا يمكن تحقيق ذروة أداء TPU بهذا التغيير البسيط، حيث قد تكون أشكال النموذج وتقسيمه وعملياته منحازة نحو بنية GPU؛ ومع ذلك، يجب أن يعمل النموذج مباشرة."
إجابة جوجل على فجوة الضبط هذه هي المزيد من الوكلاء. واختتم جيا بالإعلان عن مجموعة وكلاء TPU، المتاحة الآن كمعاينة على GitHub، والتي تتصل بأدوات البرمجة لأتمتة الإعداد والتشخيص وضبط الأداء.
كيف يؤثر TorchTPU على أعباء عمل الذكاء الاصطناعي وتنوع الأجهزة؟
وقال تشو: "كل هذا مفتوح المصدر ومتاح اليوم وهو مجرد بداية". وقدمت جانا فان غرونين، مديرة هندسة PyTorch في ميتا، الدافع في إعلان جوجل كلاود:
"في ميتا، يتطلب دفع حدود الذكاء الاصطناعي نطاقًا حاسوبيًا هائلاً وتنوعًا عميقًا في الأجهزة. لا يمكننا أن نكون مقيدين ببنية أجهزة واحدة."
لم تكن جوجل وحدها. تسجل كلتا الواجهتين الخلفيتين عبر PrivateUse1، نقطة توسيع PyTorch للأجهزة المخصصة. يحتوي الإصدار الأول من TorchNeuron على ثغرات: ذكرت The Next Web أنه لا يدعم بعد أشكال الإدخال الديناميكية ويتخطى حوالي 22,000 اختبار PyTorch. وفي تحليل لـ Forkast، جادل بلير هايز بأن الاحتكار قد انتقل بدلاً من أن يختفي:
"بينما توفر نقطة توسيع PyTorch لغة مشتركة للمطورين، تظل طبقات التحسين والتوريد تحت سيطرة البائع بشكل صارم."
على Hacker News، حيث وصل موضوع إطلاق TorchTPU إلى 379 نقطة، امتزج الارتياح بالشكوك العملية. وكتب أحد المعلقين: "أتذكر الأيام التي كان عليك فيها محاربة XLA لجعل PyTorch يعمل على وحدات TPU، يبدو أننا حصلنا أخيرًا على دعم مباشر!". وسأل آخرون أين يمكنهم شراء وحدة TPU على الإطلاق. وكان تعليق أحد المعلقين الذي نظرت شركته في وحدات TPU المحلية من جوجل أكثر برودة: "لقد قمنا بتقييمها لكننا قررنا التمسك بـ Nvidia، لجيل واحد آخر على الأقل".
كانت قابلية النقل هي الفكرة المطروحة أيضًا خارج مركز البيانات. في جلسة حول نشر سياسات الروبوت باستخدام ExecuTorch، جادل أنتوني شوميكين وجاكوب شفيبكا من ميتا بأن السياسات يمكن أن تبقى في PyTorch من التدريب إلى الجهاز، بدون مكدس تحويل. تعمل نفس رسوميات التكميم والمشغل على أهداف تتراوح من TensorRT على NVIDIA Jetson إلى OpenVINO على Intel.
وضعت جلسات التدريب أرقامًا على جانب التكلفة. وخفضت تحديثات دلتا البيانات المنقولة لكل مزامنة وزن من 62 جيجابايت إلى أقل من 1 جيجابايت في عملية تشغيل كبيرة واحدة.
استمرت الأدوات المفتوحة لتدريب الوكلاء باستخدام التعلم المعزز عبر عدة جلسات. يفصل SkyRL من Anyscale التدريب والاستدلال والبيئات وينظمها باستخدام Ray. يوفر OpenEnv من Hugging Face، الذي انضم إلى مؤسسة Agentic AI في 22 أكتوبر، لكل بيئة تعلم معزز نفس الواجهة. باستخدام TRL وOpenEnv، قام سيرجيو بانييغو بلانكو من Hugging Face بتدريب نموذج Liquid AI صغير من خلال أربعة وكلاء برمجة، مما رفع درجته في المهام المحجوزة من 42% إلى 54%.
بالنسبة للفرق التي تفكر في الانتقال، فإن تغيير الجهاز بسطر واحد يجعل النموذج يعمل، وليس مضبوطًا، لذا يجب تخصيص ميزانية لعمليات التقسيم والنواة وتأكيد سعة TPU أولاً. يمكن للمطورين المهتمين بمعرفة المزيد قراءة إعلان TorchTPU، أو مستودع TorchTPU، أو تغطية InfoQ لمؤتمر PyTorch 2024. ومن المتوقع أن تتوفر تسجيلات الجلسات على قناة مؤسسة PyTorch على YouTube في غضون أسبوعين من الحدث.
